基于差分进化的离散粒子群算法求解TSP问题

针对TSP问题,结合离散粒子群算法和差分进化算法各自的特点,提出了基于差分进化的离散粒子群算法。该算法先利用差分进化算法的变异、选择算子产生新的群体,再通过离散粒子群算法和交叉及选择算子进行局部搜索。通过对标准的30个城市进行实验,实验结果表明,该优化算法在求解TSP问题上有很好的性能。     

组合分布估计和差分进化的多目标优化算法

为了提高多目标优化算法的收敛能力及求解精度,提出了一种组合分布估计和差分进化的多目标优化算法.该方法用分布估计算法和差分进化算法共同生成种群中的粒子,利用选择因子来控制每个粒子的产生方式,并且根据迭代次数的增加来改变2种算法的使用比例,搜索初期利用分布估计算法进行快速定位,然后用差分进化算法进行精确搜索.并对差分进化算法的变异因子进行了改进,定义了一个可变的变异因子,来控制不同搜索时期中差分进化算法的变异范围.用4个测试函数对算法进行了仿真测试,并同NSGA-Ⅱ和RM-MEDA进行了比较.实验结果表明,该算法具有良好的收敛性和分布性,并且效果稳定.     

基于锦标赛选择变异策略的改进差分进化算法及函数优化

针对差分进化算法传统变异策略在全局收敛鲁棒性和搜索效率上不能达到一个很好的折衷,并且算法的操作算子固定,导致搜索效率低、易早熟收敛等问题,文中在差分进化算法变异策略性能分析的基础上,提出了一种基于锦标赛选择的变异策略。该策略采用“锦标赛选择”对随机选取的变异向量排序选出基向量,差分向量选择有利于搜索的方向并对其 “强化”,以提高收敛速率和维持种群多样性;同时操作算子采用随机正态缩放因子F和时变交叉概率因子CR,以平衡局部搜索和全局搜索;最后,利用4个典型Benchmarks测试函数对改进算法进行测试。实验结果表明,该改进型差分进化算法能有效避免早熟收敛,较好地提高算法的全局收敛能力和搜索效率。     

一种自适应多目标离散差分进化算法

提出一种自适应多目标离散差分进化算法。该算法将差分进化引入多目标优化领域,采用一种新的自适应离散差分进化策略增强算法的全局搜索能力,以获得更优的Pareto近似解,并结合Pareto快速分层排序策略和基于聚集密度的按层修剪操作对种群进行更新维护,使解集保持良好的多样性。实例测试和算法比较表明,该算法能有效求解离散域和连续域上不同类型的多目标优化问题,且在收敛性、分布性、稳定性方面均表现较好。     

基于差分隐私的混合位置隐私保护

针对现有差分隐私k-means算法对初始中心点敏感、用户位置数据误差偏大、可用性较低等问题,根据LBS的特点,引入人流密度的概念,提出一种基于差分隐私k-means的混合位置隐私保护方法。根据LBS特点将用户位置点分成离散位置点和非离散位置点,基于差分隐私技术,采用改进聚类算法对位置信息进行泛化和加噪;通过分析用户位置点的稀疏程度来确定离散点,对离散点位置信息采用基于差分隐私的单独加噪技术;对非离散点采用基于差分隐私的改进k-means算法进行泛化处理,以实现用户位置信息的隐私保护。仿真实验表明,在相同隐私预算的前提下,该方法具有较高的数据可用性。     

DE-SVM融合算法在入侵检测中的应用

为提高网络数据的检测效率,将差分进化算法与支持向量机算法融合（DE-SVM）应用到网络入侵检测中。引入自适应算子优化差分进化算法中的交叉概率CR和摄动比例因子F,采用优化的DE算法对支持向量机的参数进行选择,构建DE-SVM入侵检测算法。KDDCUP 99数据集的测试结果表明,融合算法提高了网络入侵检测的性能,缩短了训练时间。     

分形变异因子修正的差分进化算法?

为提高差分进化算法的求解精度,其变异策略应适应目标函数整体变化趋势和随机变化部分。文中提出利用不同的Hurst指数的分形布朗运动改进差分进化算法变异策略,进而构建分形变异因子修正的差分进化算法。针对该算法应用CEC2005进化计算国际会议提出的25个标准测试函数进行测试,至少有10个测试函数的计算结果优于其他差分进化算法,其余测试结果大部分相近,因此文中算法能提高优化问题的求解精度和适应性。     

一种基于差分进化和免疫克隆选择算法的混合优化方法

为了提高免疫克隆选择算法的搜索能力,提出了一种基于差分进化和免疫克隆选择算法的混合优化方法。该方法采用差分进化提高免疫克隆选择算法的抗体亲和度,并对该算法的收敛性进行了分析。为了测试该算法的有效性,将该算法应用于函数优化问题中。仿真结果表明,该方法具有更高的收敛速度和收敛精度。     

差分进化算法的交叉概率因子递增策略研究

为了有效地控制差分进化算法的全局搜索和局部搜索,基于递增交叉概率因子的基本思想,在已有的自适应二次变异差分进化算法的基础上,提出了开口向下抛物线、开口向上抛物线和指数曲线3种非线性的交叉概率因子递增策略,并用4种经典函数对它进行测试。测试结果表明,对于多数连续优化问题,在初始参数相同的情况下,凹函数递增策略优于线性策略,而线性优于凸函数策略。凹函数递增策略能够在不影响收敛精度的情况下较大幅度地提高差分进化算法的收敛速度。     

混合波动差分进化算法*

针对传统差分进化算法在处理复杂优化问题时存在易陷入局部最优解和求解精度低的缺陷,提出了混合波动差分进化算法。该算法预先设置两组配置参数,并依据混合系数的区分,依次选择每组中的交叉因子和相关参数构成波动算子生成变异率用于新算法中;同时为了加快收敛速度,采用选中随机向量中适应度值最优的向量作为基向量,避免算法寻优的盲目性。对一系列经典Benchmark函数的测试,并将实验结果与其他算法进行比较,证明了本算法的收敛速度与优化质量均显著改善。